感知决策中动力学机制与神经模式的转换：从证据累积到决策承诺的神经动力学研究

为解决感知决策中神经群体动力学机制不明确的问题，研究人员通过无监督深度学习分析大鼠前额叶皮层和纹状体神经元活动，发现决策过程经历从输入驱动到自主动力学的转换，提出神经推断承诺时间（nTc）概念，证实其与行为决策承诺时刻一致，为理解大脑内部状态快速变化提供了新标记。

感知决策作为大脑将感觉信息转化为行为选择的核心过程，长期以来被认为由具有吸引子动力学（attractor dynamics）的神经元网络介导。吸引子作为系统趋向的状态集合，在运动规划、空间表征等脑功能中发挥关键作用，但其在感知决策中的具体动力学机制仍不明确。传统理论如漂移扩散模型（DDM）假设决策变量在一维线上积累证据直至达到边界，但无法解释神经活动中复杂的时空响应模式，如攀升（ramping）、阶梯（stepping）等异质性时间 profiles。

为揭示决策的神经动力学本质，Thomas Zhihao Luo等研究人员训练大鼠执行听觉脉冲证据累积任务，动物需判断左右侧听觉点击数量的差异并做出选择。通过慢性植入Neuropixels探针，同步记录前额叶皮层（包括FOF、dmFC、mPFC）和纹状体（dStr、vStr）等多个脑区的数百个神经元活动，结合创新的无监督深度学习方法FINDR（flow field inference from neural data using deep recurrent networks），从 spike trains 和感觉输入中推断低维决策变量 z 的动力学方程：ż = F(z, u) + η，其中 u 为外部输入（点击刺激），η 为噪声。

研究团队首先验证FINDR在合成数据中能区分不同吸引子假说（如双稳态吸引子、DDM线吸引子、非正态线吸引子），随后应用于真实神经数据，发现二维潜在变量足以捕获神经活动。关键发现是，决策过程经历两个连续动力学 regime 的转换：初期由感觉输入主导（输入动力学 regime），后期由自主动力学主导（自主动力学 regime），且两个阶段的流动方向（神经模式）近乎正交。输入驱动证据沿证据累积轴（evidence accumulation axis）演化，而自主动力学驱动沿决策承诺轴（decision commitment axis）发展，转变点被认为对应动物“下定决心”的时刻（decision commitment）。

为验证这一转变点行为意义，研究人员开发简化模型MMDDM（multimode DDM），在DDM框架中引入神经编码权重的阶段特异性切换（证据累积阶段权重 w_EA，决策承诺阶段权重 w_DC）。该模型不仅能捕获多样单神经元时间 profiles（如攀升、衰减、翻转等），还允许从神经活动推断单 trial 的神经承诺时间（neurally inferred time of commitment, nTc）。分析表明，nTc 不与刺激 onset 或反应 onset 锁时，而是 trial 间高度变异的内源性事件。行为学对齐 nTc 的心理物理核（psychophysical kernel）显示，nTc 前的感觉证据影响选择，而 nTc 后的证据无效，证实 nTc 标记决策承诺时刻。

进一步地，MMDDM 揭示 pericommitment 神经响应时间直方图（PCTH）的异质性：神经元依参与证据累积与决策承诺的相对程度（engagement index, EI）分为三类——均衡参与神经元显示攀升至边界 profile，偏决策承诺神经元显示阶梯 profile，偏证据累积神经元显示攀升后衰减 profile。主成分分析（PCA）显示 PCTH 的前三个主成分分别对应攀升至边界、阶梯和攀升衰减模式。

尽管单 trial 轨迹在二维潜在空间中显示 abrupt 转变，但 trial 平均轨迹呈现平滑弯曲，这是由于平均了 trial 间变异 commitment 时间所致。MMDDM 能准确预测这些弯曲轨迹，而单模式 DDM 不能。

跨脑区分析显示，不同区域神经元在证据累积与决策承诺中的参与程度存在梯度：mPFC 神经元更偏证据累积（早期选择选择性峰值），而 FOF 神经元更偏决策承诺（晚期选择性峰值），功能差异可由 MMDDM 的编码权重差异解释。

讨论部分强调，该研究提出感知决策涉及动力学机制与神经模式的协同转变，初期输入驱动 regime 介导证据累积，后期自主主导 regime 介导决策承诺，转变点 nTc 为内部承诺时刻提供神经标记。与反应时间范式决策承诺外显于运动 initiation 不同，本研究在实验者控制持续时间范式中发现 covert 承诺信号，其 timing 独立于外部事件，由神经协调定义。MMDDM 作为 DDM 的最小修改扩展，能统一解释跨物种多项观察（如感觉与选择表征分离、轨迹弯曲、神经元响应异质性等），但并非唯一模型，而是迈向统一决策模型的重要步骤。

技术方法上，研究采用 Neuropixels 探针慢性记录大鼠前额叶和纹状体多个脑区神经元 spike trains，结合无监督深度学习 FINDR 方法推断低维随机动力学，并开发简化状态空间模型 MMDDM 联合拟合神经活动和行为选择，通过心理物理核分析和单 trial nTc 估计验证行为意义。

总之，该研究通过数据驱动动力学发现与简化模型结合，揭示感知决策中动力学机制与神经模式的快速转变，为理解大脑认知状态转换提供新框架，并 demonstrate 深度学习无监督发现与简约模型配对在复杂认知现象研究中的潜力。论文发表于《Nature》期刊。